
import pandas as pd
import numpy as np
import plotly.express as px
from plotly import graph_objects as go
from plotly.offline import iplot
import seaborn as sns
import matplotlib.pyplot as plt


df = pd.read_csv('/datasets/moscow_places.csv')


display(df)


# Изучим информацию о датасете:
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB


df.describe()


print('В датасете представлено', len(df['category'].unique()), 'категорий заведений')

В датасете представлено 8 категорий заведений


print('Количество уникальных заведений = ', len(df['name']))

Количество уникальных заведений =  8406


df.duplicated().sum()

0


#Поищем дубликаты по столбцам name	category	address:
df.duplicated(subset = ['name', 'category', 'address']).sum()

0


# Поиск неявных дубликатов:
# приводим столбец к нижнему регистру
df['name'] = df['name'].str.lower()
df['address'] = df['address'].str.lower()
#Удаление неявных дубликатов:
df.duplicated(subset=['name', 'address']).sum()
print(len(df))
df = df.drop_duplicates(subset=['name', 'address'])
print(len(df))

8406
8402


gaps = df.isna().sum()
print(gaps)

name                    0
category                0
address                 0
district                0
hours                 535
lat                     0
lng                     0
rating                  0
price                5087
avg_bill             4586
middle_avg_bill      5253
middle_coffee_cup    7867
chain                   0
seats                3610
dtype: int64


df['street'] = df['address'].str.split(',', expand=True)[1]
df['street'] = df['street'].str.strip()


df['works24/7'] = df['hours'].str.contains('ежедневно, круглосуточно')
# преобразование значений в логические
df['works24/7'] = df['works24/7'].astype(bool)
df.columns

Index(['name', 'category', 'address', 'district', 'hours', 'lat', 'lng',
       'rating', 'price', 'avg_bill', 'middle_avg_bill', 'middle_coffee_cup',
       'chain', 'seats', 'street', 'works24/7'],
      dtype='object')


# Проверяем:
display(df.head(5))


print('В датасете представлено', len(df['category'].unique()), 'категорий заведений')

В датасете представлено 8 категорий заведений


print('В данных представлены следующие категории заведений:', df['category'].unique())

В данных представлены следующие категории заведений: ['кафе' 'ресторан' 'кофейня' 'пиццерия' 'бар,паб' 'быстрое питание'
 'булочная' 'столовая']


category = df['category'].value_counts().to_frame(name='values').reset_index()
category['percent'] = round(category['values'] / sum(category['values']) * 100,2)

display(category)


fig = px.bar(category, x='index', y='values', color="index", text='values')
fig.update_layout(title='Количество заведений по категориям',
                   xaxis_title='Категория',
                   yaxis_title='Количество заведений')
fig.show()


seats = df.groupby('category')['seats'].describe().round(2).reset_index()


seats_median = df[df['seats'] !=0].groupby('category')['seats'].median().reset_index().sort_values(by='seats', ascending=False)
seats_median


fig = px.box(df, x="category", y="seats", color = 'category')
fig.update_layout(title='Количество посадочных мест по категориям, ',
                   xaxis_title='Категория',
                   yaxis_title='Количество посадочных мест')
fig.show()


# Сгруппируем данные по типу объекта и сетевому признаку, подсчитав количество заведений в каждой категории
chain_info = df.groupby(['category', 'chain'])['name'].count().reset_index()
# выделим несетевые заведения:
separate = chain_info.query ('chain == 0')
# выделим сетевые заведения:
chain = chain_info.query ('chain == 1')

#chain_info = chain_info['chain'].replace(['0'],' Несетевые')
#chain_info = chain_info['chain'].replace(['1'],' Сетевые')
chain_info['chain'] = chain_info['chain'].replace([0, 1],['Несетевые', 'Сетевые'])


chain_info


fig = px.pie(chain_info, values=chain_info['name'], names=chain_info['chain'], title='Категории заведений')
fig.update_layout(
    title=dict(
        text="Отношение сетевых и несетевых заведений в датасете",
        font=dict(size=24),
        x=0.5,
        xref="paper"
    )
)
fig.show()


for_plot = pd.pivot_table(chain_info,
                         index = ['chain'],
                         columns = ['category']).reset_index()


display(for_plot)


sns.set_style('whitegrid')
sns.set_palette('bright')

plt.figure(figsize=(12,6))
sns.countplot(x='category', hue='chain', data=df)
plt.title('Распределение заведений на сетевые и несетевые по категориям')
plt.xlabel('Категория заведения')
plt.ylabel('Количество предприятий')
plt.xticks(rotation=45)
plt.legend(title='Сеть', loc='upper right')
plt.show()
# Напомним, что 0 - несетевые, 1 - сетевые


category_count = df.pivot_table(index = 'category', values = 'name', aggfunc = 'count').sort_values(by = 'name', ascending = False)
category_count


chain_category = df.query('chain == 1').pivot_table(index = 'category', values = 'name', aggfunc = 'count').sort_values(by = 'name', ascending = False)
chain_category_merge = category_count.merge(chain_category, how='left', on='category').reset_index()
chain_category_merge.columns = ['category', 'count', 'chain']
chain_category_merge['percent'] = round(chain_category_merge['chain']/chain_category_merge['count']*100, 1)
chain_category_merge = chain_category_merge.sort_values(by = 'percent', ascending = False)


fig = px.bar(chain_category_merge,
             x='category',
             y='percent',
             text='percent',
             color='category',
             height=500,
             width=1000
             )
fig.update_layout(title = '% Сетевых заведений от общего количества заведений каждого типа',
                  xaxis_title = 'Название заведений',
                  yaxis_title = 'Доля',
                  showlegend = False)
fig.show()


# Группируем данные по названиям заведений и найдем топ-15 популярных сетей в Москве.

data_chain = df[df['chain'] == 1]
top_15 = data_chain.groupby('name').agg({'rating': 'median', 'category' : pd.Series.mode, 'district' : 'count'})
top_15 = top_15.rename(columns={'district':'count'})
top_15 = top_15.sort_values('count', ascending = False).reset_index().head(15)
top_15


# Визуализируем таблицу с самыми популярными сетями в Москве:
fig = px.bar(top_15,
             x='count',
             y='name',
             text='count',
             color='name',
             height=500,
             width=1000
             )
fig.update_layout(title = 'Топ-15 популярных сетей Москвы',
                  xaxis_title = 'Количество заведений',
                  yaxis_title = 'Название заведений',
                  showlegend = True)
fig.show()


print('В датасете присутствуют следующие административные районы Москвы:', df['district'].unique())

В датасете присутствуют следующие административные районы Москвы: ['Северный административный округ'
 'Северо-Восточный административный округ'
 'Северо-Западный административный округ'
 'Западный административный округ' 'Центральный административный округ'
 'Восточный административный округ' 'Юго-Восточный административный округ'
 'Южный административный округ' 'Юго-Западный административный округ']


pie_district = pd.pivot_table(df, index = ['district', 'category'], values = ['name'], aggfunc = ['count']).reset_index()
pie_district.columns = ['district', 'category', 'count']
display(pie_district)


# Визуализируем количество заведений и количество заведений каждой категории по районам
fig = px.bar(pie_district, x="count", y="district", color="category")
fig.update_layout(title = 'Количество заведений в зависимости от категории по округам',
                  xaxis_title = 'Название административного округа',
                  yaxis_title = 'Количество заведений',
                  showlegend = True)
fig.show()


abc = pd.crosstab(df.district, df.category)
abc


abc = pd.crosstab(index = df.district,
                         columns = df.category,
                         normalize = 'index').reset_index()

abc


fig = go.Figure()
fig.add_trace(go.Bar(
    x=abc['бар,паб'],
    y=abc.district,
    name='бар,паб',
    orientation='h',
    marker=dict(
        color='#7eb0d5',
        #line=dict(color='#7eb0d5', width=3)
    )
))
fig.add_trace(go.Bar(
    x=abc['булочная'],
    y=abc.district,
    name='булочная',
    orientation='h',
    marker=dict(
        color='#b2e061',
        #line=dict(color='#b2e061', width=3)
    )
))

fig.update_layout(title = 'Количество заведений в зависимости от категории по округам',
                  barmode='stack')
fig.show()


display(df.head(5))


rating_cat = pd.pivot_table(df, index = ['category'], values = ['rating']).reset_index()
rating_cat.columns = ['category', 'mean_rating']
rating_cat['mean_rating'] = round(rating_cat['mean_rating'],2) 
rating_cat = rating_cat.sort_values(by = 'mean_rating', ascending = False)
display(rating_cat)


fig = px.bar(rating_cat,
             x='mean_rating',
             y='category',
             text='mean_rating',
             color='category'
            )
fig.update_layout(title='Распределение средних рейтингов по категориям заведений',
                  xaxis_title='Рейтинг',
                  yaxis_title='Название категорий')
fig.update_xaxes(range=[4, 4.5])
fig.show()


# подключаем модуль для работы с JSON-форматом
import json
# читаем файл и сохраняем в переменной
with open('/datasets/admin_level_geomap.geojson', 'r') as f:
    geo_json = json.load(f)

#print(json.dumps(geo_json, indent=2, ensure_ascii=False, sort_keys=True))


df['district'].unique()

array(['Северный административный округ',
       'Северо-Восточный административный округ',
       'Северо-Западный административный округ',
       'Западный административный округ',
       'Центральный административный округ',
       'Восточный административный округ',
       'Юго-Восточный административный округ',
       'Южный административный округ',
       'Юго-Западный административный округ'], dtype=object)


# импортируем карту и хороплет
from folium import Map, Choropleth

# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=df,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианный рейтинг заведений по районам',
).add_to(m)

# выводим карту
m


# импортируем карту и маркер
from folium import Map, Marker
# импортируем кластер
from folium.plugins import MarkerCluster

# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
df.apply(create_clusters, axis=1)

# выводим карту
m


# Топ-15 улиц по количеству заведений
msc_streets = df[df['street'].notnull()]
top15_streets = msc_streets['street'].value_counts().reset_index().head(15)
top15_streets.columns = ['street', 'count']
top15_streets


# таблица улица - категоория - количество
streets_category = df.groupby(['street', 'category'])['name'].count().reset_index()
streets_category.columns = ['street', 'category', 'count']
streets_category.sort_values('count', ascending=False)


# улицы из топ15
streets_top15_category = streets_category[streets_category['street'].isin(top15_streets['street'])]
streets_top15_category


# Построим график распределения количества заведений и их категорий по этим улицам на одном графике.
fig = px.bar(streets_top15_category, 
             x='count', 
             y='street',                    
             color='category'
            )

fig.update_layout(title='Количество заведений каждой категории по районам',
                   xaxis_title='Количество заведений',
                   yaxis_title='Название улиц',
                   yaxis={'categoryorder':'total ascending'}
                 )
fig.show()


# Найдем улицы, на которых находится только один объект общепита.

one_cafe = df['street'].value_counts().reset_index()
one_cafe.columns = ['street', 'count']
one_cafe = one_cafe[one_cafe['count']==1]
one_cafe


# Посмотрим на категории:
one_cafe_category = streets_category[streets_category['street'].isin(one_cafe['street'])]
one_cafe_category = one_cafe_category.groupby('category')['street'].count().sort_values(ascending=False)
one_cafe_category

category
кафе               159
ресторан            93
кофейня             84
бар,паб             39
столовая            36
быстрое питание     23
пиццерия            15
булочная             8
Name: street, dtype: int64


#Расчитаем медианный счет для каждого района:
median_bill = pd.pivot_table(df, index = ['district'], values = ['middle_avg_bill'], aggfunc = ['median']).reset_index()
median_bill.columns = ['district', 'median_bill']
median_bill


# Построим фоновую картограмму (хороплет) с полученными медианными значениями чеков для каждого района.
mm = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# хороплет
Choropleth(
    geo_data=state_geo,
    data = median_bill,
    columns = ['district', 'median_bill'],
    key_on = 'feature.name',
    legend_name = 'Средний чек заведений по районам',
).add_to(mm)

mm


df.head(5)


coffee = df[df['category'] == 'кофейня']
print('Количество кофеен:', len(coffee))

Количество кофеен: 1413


# создаем карту
m_cofee = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаем пустой кластер и добавляем его на карту
marker_cluster = MarkerCluster().add_to(m_cofee)

# функция, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster

def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
coffee.apply(create_clusters, axis=1)

# выводим карту
m_cofee


coffee_24_7 = coffee[coffee['works24/7'] == True]
print('Количество круглосуточных кофеен:', len(coffee_24_7))

Количество круглосуточных кофеен: 74


# создаём карту Москвы
m_coffee = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m_coffee)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
coffee_24_7.apply(create_clusters, axis=1)

# выводим карту
m_coffee


coffee_rating = coffee.groupby('district', as_index=False)['rating'].agg('mean').round(2).sort_values('rating', ascending=False)
coffee_rating


cup = coffee.groupby('district', as_index=False)['middle_coffee_cup'].agg('mean').round(2).sort_values('middle_coffee_cup', ascending=False)
display(cup)
coffee_price = round(cup['middle_coffee_cup'].mean(), 2)
coffee_price2 = round(cup['middle_coffee_cup'].median(), 2)
print(f'Средняя стоимость чашки кофе в Москве:', coffee_price)
print(f'Медианная стоимость чашки кофе в Москве:', coffee_price2)

Средняя стоимость чашки кофе в Москве: 171.32
Медианная стоимость чашки кофе в Москве: 165.79


m_cup = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=cup,
    columns=['district', 'middle_coffee_cup'],
    key_on='feature.name',
    legend_name='Средняя цена чашки кофе по районам',
).add_to(m_cup)

# выводим карту
m_cup

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0
...	...	...	...	...	...	...	...	...	...	...	...	...	...	...
8401	Суши Мания	кафе	Москва, Профсоюзная улица, 56	Юго-Западный административный округ	ежедневно, 09:00–02:00	55.670021	37.552480	4.4	NaN	NaN	NaN	NaN	0	86.0
8402	Миславнес	кафе	Москва, Пролетарский проспект, 19, корп. 1	Южный административный округ	ежедневно, 08:00–22:00	55.640875	37.656553	4.8	NaN	NaN	NaN	NaN	0	150.0
8403	Самовар	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648859	37.743219	3.9	NaN	Средний счёт:от 150 ₽	150.0	NaN	0	150.0
8404	Чайхана Sabr	кафе	Москва, Люблинская улица, 112А, стр. 1	Юго-Восточный административный округ	ежедневно, круглосуточно	55.648849	37.743222	4.2	NaN	NaN	NaN	NaN	1	150.0
8405	Kebab Time	кафе	Москва, Россошанский проезд, 6	Южный административный округ	ежедневно, круглосуточно	55.598229	37.604702	3.9	NaN	NaN	NaN	NaN	0	12.0

	lat	lng	rating	middle_avg_bill	middle_coffee_cup	chain	seats
count	8406.000000	8406.000000	8406.000000	3149.000000	535.000000	8406.000000	4795.000000
mean	55.750109	37.608570	4.229895	958.053668	174.721495	0.381275	108.421689
std	0.069658	0.098597	0.470348	1009.732845	88.951103	0.485729	122.833396
min	55.573942	37.355651	1.000000	0.000000	60.000000	0.000000	0.000000
25%	55.705155	37.538583	4.100000	375.000000	124.500000	0.000000	40.000000
50%	55.753425	37.605246	4.300000	750.000000	169.000000	0.000000	75.000000
75%	55.795041	37.664792	4.400000	1250.000000	225.000000	1.000000	140.000000
max	55.928943	37.874466	5.000000	35000.000000	1568.000000	1.000000	1288.000000

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	works24/7
0	wowфли	кафе	москва, улица дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	улица дыбенко	False
1	четыре комнаты	ресторан	москва, улица дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица дыбенко	False
2	хазри	кафе	москва, клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	клязьминская улица	False
3	dormouse coffee shop	кофейня	москва, улица маршала федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица маршала федоренко	False
4	иль марко	пиццерия	москва, правобережная улица, 1б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	правобережная улица	False

	index	values	percent
0	кафе	2376	28.28
1	ресторан	2042	24.30
2	кофейня	1413	16.82
3	бар,паб	764	9.09
4	пиццерия	633	7.53
5	быстрое питание	603	7.18
6	столовая	315	3.75
7	булочная	256	3.05

	chain	name
category		бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
0	Несетевые	596	99	371	1597	693	303	1313	227
1	Сетевые	168	157	232	779	720	330	729	88

Проектная работа¶

Рынок заведений общественного питания Москвы¶

Цель исследования:¶

Описание данных:¶

План работы:¶

Оглавление:¶

Загрузка данных:¶

Предобработка данных¶

Дубликаты в данных:¶

Пропуски в данных:¶

Создание столбцов:¶

Анализ данных¶

Какие категории заведений представлены в данных?¶

Количество посадочных мест в местах по категориям¶

Соотношение сетевых и несетевых заведений в датасете.¶

Топ-15 популярных сетей в Москве¶

Рейтинги по категориям заведений.¶

Хороплет со средним рейтингом заведений каждого района.¶

Детализация исследования: открытие кофейни¶

Сколько всего кофеен в датасете? В каких районах их больше всего, каковы особенности их расположения?¶

Есть ли круглосуточные кофейни?¶

Какие у кофеен рейтинги? Как они распределяются по районам?¶

На какую стоимость чашки капучино стоит ориентироваться при открытии и почему?¶

Рекомендации:¶

Ссылка на презентацию:¶

	category	seats
6	ресторан	90.0
0	бар,паб	84.0
4	кофейня	80.0
7	столовая	80.0
2	быстрое питание	75.0
3	кафе	60.0
5	пиццерия	56.0
1	булочная	52.0

	name	rating	category	count
0	шоколадница	4.20	кофейня	120
1	домино'с пицца	4.20	пиццерия	76
2	додо пицца	4.30	пиццерия	74
3	one price coffee	4.20	кофейня	71
4	яндекс лавка	4.00	ресторан	69
5	cofix	4.10	кофейня	65
6	prime	4.20	ресторан	50
7	хинкальная	4.40	кафе	44
8	кофепорт	4.20	кофейня	42
9	кулинарная лавка братьев караваевых	4.40	кафе	39
10	теремок	4.10	ресторан	38
11	чайхана	4.10	кафе	37
12	cofefest	4.05	кофейня	32
13	буханка	4.40	булочная	32
14	му-му	4.30	кафе	27

	district	category	count
0	Восточный административный округ	бар,паб	53
1	Восточный административный округ	булочная	25
2	Восточный административный округ	быстрое питание	71
3	Восточный административный округ	кафе	272
4	Восточный административный округ	кофейня	105
...	...	...	...
67	Южный административный округ	кафе	264
68	Южный административный округ	кофейня	131
69	Южный административный округ	пиццерия	73
70	Южный административный округ	ресторан	202
71	Южный административный округ	столовая	44

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
district
Восточный административный округ	53	25	71	272	105	72	160	40
Западный административный округ	50	37	62	238	150	71	218	24
Северный административный округ	68	39	58	234	193	77	188	41
Северо-Восточный административный округ	62	28	82	269	159	68	182	40
Северо-Западный административный округ	23	12	30	115	62	40	109	18
Центральный административный округ	364	50	87	464	428	113	670	66
Юго-Восточный административный округ	38	13	67	282	89	55	145	25
Юго-Западный административный округ	38	27	61	238	96	64	168	17
Южный административный округ	68	25	85	264	131	73	202	44

category	district	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая
0	Восточный административный округ	0.066416	0.031328	0.088972	0.340852	0.131579	0.090226	0.200501	0.050125
1	Западный административный округ	0.058824	0.043529	0.072941	0.280000	0.176471	0.083529	0.256471	0.028235
2	Северный административный округ	0.075724	0.043430	0.064588	0.260579	0.214922	0.085746	0.209354	0.045657
3	Северо-Восточный административный округ	0.069663	0.031461	0.092135	0.302247	0.178652	0.076404	0.204494	0.044944
4	Северо-Западный административный округ	0.056235	0.029340	0.073350	0.281174	0.151589	0.097800	0.266504	0.044010
5	Центральный административный округ	0.162355	0.022302	0.038805	0.206958	0.190901	0.050401	0.298840	0.029438
6	Юго-Восточный административный округ	0.053221	0.018207	0.093838	0.394958	0.124650	0.077031	0.203081	0.035014
7	Юго-Западный административный округ	0.053597	0.038082	0.086037	0.335684	0.135402	0.090268	0.236953	0.023977
8	Южный административный округ	0.076233	0.028027	0.095291	0.295964	0.146861	0.081839	0.226457	0.049327

	category	mean_rating
0	бар,паб	4.39
5	пиццерия	4.30
6	ресторан	4.29
4	кофейня	4.28
1	булочная	4.27
7	столовая	4.21
3	кафе	4.12
2	быстрое питание	4.05

	street	count
0	проспект мира	183
1	профсоюзная улица	122
2	проспект вернадского	108
3	ленинский проспект	107
4	ленинградский проспект	95
5	дмитровское шоссе	88
6	каширское шоссе	77
7	варшавское шоссе	76
8	ленинградское шоссе	70
9	мкад	65
10	люблинская улица	60
11	улица вавилова	55
12	кутузовский проспект	54
13	улица миклухо-маклая	49
14	пятницкая улица	48

	street	category	count
2137	проспект мира	кафе	53
1520	мкад	кафе	45
2140	проспект мира	ресторан	45
2138	проспект мира	кофейня	36
2149	профсоюзная улица	кафе	35
...	...	...	...
1536	молодёжная улица	кофейня	1
1538	монтажная улица	кофейня	1
1539	монтажная улица	ресторан	1
1540	москворецкая набережная	кофейня	1
3820	№ 7	кафе	1

	street	count
990	стромынский переулок	1
991	молдавская улица	1
992	1-й новокузнецкий переулок	1
993	2-й красносельский переулок	1
994	12-я парковая улица	1
...	...	...
1442	братеевский парк	1
1443	поперечный просек	1
1444	улица седова	1
1445	2-я улица марьиной рощи	1
1446	улица саморы машела	1

	district	median_bill
0	Восточный административный округ	575.0
1	Западный административный округ	1000.0
2	Северный административный округ	650.0
3	Северо-Восточный административный округ	500.0
4	Северо-Западный административный округ	700.0
5	Центральный административный округ	1000.0
6	Юго-Восточный административный округ	450.0
7	Юго-Западный административный округ	600.0
8	Южный административный округ	500.0

	district	rating
5	Центральный административный округ	4.34
4	Северо-Западный административный округ	4.33
2	Северный административный округ	4.29
0	Восточный административный округ	4.28
7	Юго-Западный административный округ	4.28
6	Юго-Восточный административный округ	4.23
8	Южный административный округ	4.23
3	Северо-Восточный административный округ	4.22
1	Западный административный округ	4.20

	district	middle_coffee_cup
1	Западный административный округ	189.94
5	Центральный административный округ	187.52
7	Юго-Западный административный округ	184.18
0	Восточный административный округ	174.02
2	Северный административный округ	165.79
4	Северо-Западный административный округ	165.52
3	Северо-Восточный административный округ	165.33
8	Южный административный округ	158.49
6	Юго-Восточный административный округ	151.09